AJUSTES DE CURVAS

RESUMEN:

Básicamente el ajuste de curvas se utiliza cuando se tiene una serie de datos

calculados y se desea conocer valores intermedios no conocidos, o también en
aquellos casos en que se desee una versión simplificada de una función que se
ajuste a un número de valores concretos, y posteriormente usar la función
simplificada para derivar nuevos valores. La interpolación es la técnica de estimar
el valor de una función para cualquier valor intermedio de la variable
independiente. El proceso de cálculo o encontrar el valor de una función para
cualquier valor de la variable independiente fuera del rango dado se llama
extrapolación. Aquí, la interpolación se refiere al método de calcular el valor de la
función para cualquier valor dado de la variable independiente x cuando un
conjunto de valores de una función son conocidos o para dan ciertos valores de x.
Por otro lado, el ajuste de curvas o aproximación, es encontrar la curva que mejor
podría indicar la tendencia de un determinado conjunto de datos. En este caso, la
curva no tiene que pasar por los puntos de datos. En algunos casos, los datos
pueden tener precisión, confiabilidad e incertidumbre diferente y necesitamos la
curva ponderada de mínimos cuadrados para procesar la conexión de los datos. El
ajuste de curvas se aplica a los datos que contienen la dispersión (ruido),
generalmente debido a errores de medición.

INTRODUCCIÓN

Con frecuencia nos encontramos con problemas que tenemos que estimar valores
intermedios entre datos definidos por puntos. El método más común que se usa
para este propósito es la interpolación polinomial. La fórmula general para un
polinomio de n-ésimo grado es f(x) = a0 + a1x + a2x2 +….+ anxn Dados n+1
puntos, hay uno y sólo un polinomio de grado n que pasa a través de todos los
puntos.

Por ejemplo, hay sólo una línea recta (es decir, un polinomio de primer grado) que
une dos puntos. De manera similar, únicamente una parábola une un conjunto de
tres puntos. La interpolación polinomial consiste en determinar el polinomio único
de n-ésimo grado que se ajuste a n+1 puntos. Este polinomio, entonces,
proporciona una fórmula para calcular valores intermedios. Aunque hay uno y sólo
un polinomio de n-ésimo grado que se ajusta a n+1 puntos, existe una gran
variedad de formas matemáticas en las cuales puede expresarse este polinomio.

MÉTODOS:

Se tiene dos métodos básicos para lograr ajuste de curvas:

1. Si los datos no son muy exactos o tienen asociado un error (ruido) entonces la
mejor manera es establecer una sola curva que represente la tendencia general
de los datos observados. Se conoce como REGRESIÓN LINEAL, cuyo método
más sencillo es la REGRESIÓN POR MÍNIMOS CUADRADOS.

2. Si los datos que se tienen son precisos se trazan una o varias curvas que pasan
por cada uno de los puntos de datos. A esto se le llama INTERPOLACIÓN cual
puede ser LINEAL o CURVILÍNEA.

El ajuste de curvas en ingeniería tiene como aplicación principal, a partir de una

serie de datos experimentales, realizar:

 ANÁLISIS DE TENDENCIA: Realizar predicciones de la variable dependiente

ya sea para buscar valores fuera del límite observado (EXTRAPOLACIÓN) o
dentro del rango de datos observado (INTERPOLACIÓN).
 PRUEBA DE HIPÓTESIS: Cuando se tiene un modelo matemático que se
puede usar para comparar los datos que produce con los datos medidos
experimentalmente. Si desconocemos los coeficientes del modelo se
calculan a partir de los datos y luego se prueba que tan adecuado es al
evaluar los resultados que produce.

REGRESIÓN LINEAL

También se conoce como Aproximación por Mínimos Cuadrados.

En este método sepretendetrazar la recta que más se acerque al conjunto de datos

dado, a la cual se le llama “línea (recta) de regresión”.
La expresión de una línea recta es:

(1)

Los valores de C1 y C2 y el Error, se pueden calcular de las siguientes maneras:

(2)

El error se da en términos de la suma de los cuadrados de la diferencia entre el

valor muestral y el valor calculado con la recta de regresión. Donde n = número
total de puntos.

Ejemplo:

Encontrar la línea de regresión que se ajusta mejor a los siguientes datos.

La siguiente tabla muestra los valores calculados necesarios para hallar los valores
de los coeficientes de la recta buscada:

Reemplazando en las ecuaciones (2) tenemos:

Con estos valores al reemplazarlos en la ecuación (1) tenemos:

REGRESIÓN MÚLTIPLE (POLINOMIAL)

Cuando se tienen datos de n variables independientes y una dependiente, ya no
podemos ajustar los datos por medio de una recta, es necesario usar un plano n-
dimensional para hacer dicha aproximación.

En general para varias variables podemos expresar el sistema como:

(3)

El error se calcula restando a los valores de la variable dependiente (y) el valor

estimado usando la ecuación. Si tenemos una serie de n datos puntuales:

Matricialmente para el caso de dos variables podemos expresar el sistema de

ecuaciones como:
Lo cual se resuelve para C así:C=inv(A)*y

Ejemplo:

Se tienen los siguientes valores muestrales para las variables independientes X1 y

X2 y para la variable dependiente Y.

En la siguiente tabla vemos los cálculos necesarios para hallar el sistema de

ecuaciones:

El plano de regresión está dado por:

INTERPOLACIÓN
Este método se utiliza cuando se desea conocer valores intermedios en una serie
de datos precisos dados.

El modelo más popular se denomina diferencia dividida de Newton y sus formas

más simples son la interpolaciónlineal (interpolación de primer orden) y la
interpolación cuadrática (interpolación parabólica) y el caso más general sería la
interpolación polinómica o interpolación en series de potencia.

Interpolación Lineal

En este caso se aproximan los datos por medio de una línea recta, para lo cual se
necesita conocer dos puntos (X0, f(X0)) y (X1, f(X1)).

La ecuación de la línea que pasa por dichos puntos es:

(4)

Siendo m la pendiente de la línea, calculada como:

Al reemplazar en (4) tenemos:

(7)
Ejemplo:

Hallar el valor del Logaritmo natural de 2 si conocemos los valores en cero y en 4.

La siguiente tabla muestra los datos conocidos.

El primer punto es (X0, f(X0))=(1,0) y el segundo (X1, f(X1))=(4,1.386294),

reemplazando en la ecuación (7) obtenemos:

f1(x)=0.462098*(x-1)

Con esta ecuación podemos estimar el valor de f1(x) para valores de x enelrango
(0,4), de manera que podemos evaluarla en x=2, para hallar Ln(2) que es el valor
buscado, obteniendo:
f1(2)=Ln(2)=0.462098*(2-1)=0462098

Si se compara este valor con aquel que se obtiene en una calculadora, que es
0,693147, vemos que el valor calculado por interpolación lineal no es una buena
aproximación, ya que tiene un error relativo alto (aproximadamente del 33%).El
error tan grande se debe al uso de una línea recta para aproximar una curva.

Interpolación Cuadrática

En este caso se utiliza un polinomio de grado 2 para realizar el cálculo, el cual

estaría representado por la siguiente ecuación:

(6)

En donde los coeficientes b0, b1, b2 se calculan de la siguiente manera:

(7)
Ejemplo:

Hallar el valor de Ln(2) utilizando interpolación cuadrática, conociendo los valores

Ln(x) cuando x vale 1, 4 y 6, como lo muestra la siguiente tabla:

Tomemos los puntos de datos así: (X0, f(X0))=(1,0), (X1, f(X1))=(4,1.386294) y

(X2, f(X2))=(6,1.791759), conlosquecalculamos:

Reemplazando estos valores en la ecuación (8) obtenemos:

Si evaluamos esta ecuación en x=2 obtenemos el valor buscado:

Si comparamos con el valor obtenido en la calculadora, obtenemos un error

relativo donde vemos que es una mejor aproximación, con un error relativo del
22,49%.

Interpolación Polinomial (Interpolación en series de potencias)

El caso más general es usar polinomios de n-esimo grado para aproximar la

función deseada.
La expresión general para un polinomio de grado n es:

(8)

Para n+1 puntos conocidos, solo existe un polinomio que pasa exactamente por
todos los puntos y es precisamente el polinomio de grado n.

El ejemplo para este caso es similar al de la interpolación cuadrática.

Interpolación polinómica de Lagrange

El polinomio de Lagrange, llamado así en honor a Joseph-Louis de Lagrange, es

una forma de presentar el polinomio que interpola un conjunto de puntos dado.
Dado que existe un único polinomio interpolador para un determinado conjunto de
puntos, resulta algo engañoso llamar a este polinomio el polinomio interpolador de
Lagrange. Un nombre más apropiado es interpolación polinómica en la forma de
Lagrange.

Dado un conjunto de k + 1 puntos

Donde todos los xj se asumen distintos, el polinomio interpolador en la forma de

Lagrange es la combinación lineal

(9)
de bases polinómicas de Lagrange

EJEMPLO:

Se desea interpolar f(x)=tan(x) en los puntos:

Con cinco puntos, el polinomio interpolador tendrá, como máximo, grado cuatro
(es decir, la máxima potencia será cuatro), al igual que cada componente de la
base polinómica.

La base polinómica es:

Así, el polimomio interpolador se obtiene simplemente como la combinación lineal

entre los y los valores de las abscisas:
INTERPOLACIÓN CÚBICA SEGMENTARIA

Existen casos donde la interpolación con polinomios puede llevar a resultados

erróneos. Para evitar esos errores se pueden usar Funciones de Interpolación
Segmentaria (Spline Functions).

En el subcampo matemático del análisis numérico, un spline es una curva

diferenciable definida en porciones mediante polinomios.

En los problemas de interpolación, se utiliza a menudo la interpolación mediante

splines porque da lugar a resultados similares requiriendo solamente el uso de
polinomios de bajo grado, evitando así las oscilaciones, indeseables en la mayoría
de las aplicaciones, encontradas al interpolar mediante polinomios de grado
elevado. Para el ajuste de curvas, los splines se utilizan para aproximar formas
complicadas.

En este caso, cada polinomio f(x) a través del que construimos los Splines en
[m,n] tiene grado 3. Esto quiere decir, que va a tener la forma

f(x) = ax³ + bx² + cx + d

En este caso vamos a tener cuatro variables por cada intervalo (a,b,c,d), y una
nueva condición para cada punto común a dos intervalos, respecto a la derivada
segunda:

Que las partes de la función a trozos f(x) pasen por ese punto. Es decir, que las
dos fn(x) que rodean al f(x) que queremos aproximar, sean igual a f(x) en cada
uno de estos puntos.

Que la derivada en un punto siempre coincida para ambos "lados" de la función

definida a trozos que pasa por tal punto común.

Que la derivada segunda en un punto siempre coincida para ambos "lados" de la

función definida a trozos que pasa por tal punto común.

Como puede deducirse al compararlo con el caso de splines cuadráticos, ahora no

nos va a faltar una sino dos ecuaciones (condiciones) para el número de incógnitas
que tenemos.
La forma de solucionar esto, determina el carácter de los splines cúbicos. Así,
podemos usar:

Splines cúbicos naturales: La forma más típica. La derivada segunda de f se

hace 0 para el primer y último punto sobre el que está definido el conjunto de
Splines, esto son, los puntos m y n en el intervalo [m,n].

Dar los valores de la derivada segunda de m y n de forma "manual", en el

conjunto de splines definidos en el intervalo [m,n].

Hacer iguales los valores de la derivada segunda de m y n en el conjunto de

splines definidos en el intervalo [m,n]

Splines cúbicos sujetos: La derivada primera de f debe tener el mismo valor

que las derivada primera de la función para el primer y último punto sobre el que
está definido el conjunto de Splines, esto son, los puntos m y n en el intervalo
[m,n].

Ejemplo:

Construir el spline cúbico natural que interpola a partir de los datos:

El sistema es:

De donde se obtienen:

Los diferentes splines son:

Por lo tanto:

INTERPOLACIÓNINVERSA

Hasta ahorasehanplanteadométodosparahallarvalores de la variable dependiente

basándonos en valores conocidos de la variable independiente.

En el caso de la interpolación inversa, se desea hallar el valor de la variable

independiente que produce un determinado valor de la variable dependiente
(hallar x conocido f(x)).

Lasoluciónalproblemasereduceacalcularlaraízdelaecuaciónquesurgedeajustar los
puntos de datos conocidos a una ecuación, ya sea usando regresiónointerpolación.

APLICACIONES

Se puede utilizar en el cálculo de estructuras, instalaciones eléctricas, hidráulicas y

sanitarias, en cálculos de carreteras, topografía y hasta en diseño de las
estructuras, no en todos los casos pero principalmente cuando hay mala toma de
datos o haya datos faltantes.

En el subcampo matemático del análisis numérico, un spline es una curva

diferenciable definida en porciones mediante polinomios.

En los problemas de interpolación, se utiliza a menudo la interpolación mediante

splines porque da lugar a resultados similares requiriendo solamente el uso de
polinomios de bajo grado, evitando así las oscilaciones, indeseables en la mayoría
de las aplicaciones, encontradas al interpolar mediante polinomios de grado
elevado.

Para el ajuste de curvas, los splines se utilizan para aproximar formas complicadas.
La simplicidad de la representación y la facilidad de cómputo de los splines los
hacen populares para la representación de curvas en informática, particularmente
en el terreno de los gráficos por ordenado.

CONCLUSIONES

En el trabajo se han presentado las ideas fundamentales para el ajuste de datos

experimentales a polinomios o formas no lineales, que forman un sistema lineal en
los coeficientes. Se desarrolló de manera detallada el procedimiento para obtener
las fórmulas matriciales generales las cuales permiten resolver este importante
problema en la práctica de la ingeniería y de la ciencia. Al tener un mayor
número de mediciones, se aumenta la REDUNDANCIA y se puede aplicar pruebas
de hipótesis sobre los coeficientes y detección de datos erróneos.